附录B 外文原文
MEASURING INFORMATION DEPENDENCY FOR CONSTRUCTION ENGINEERING PROJECTS
Effective exchange of information is critical to successful engineering for heavy industrial projects such as chemical manufacturing, electrical generating, gas distribution, or oil refining, etc. Project engineering complexity has increased dramatically with technology development. This complexity can be attributed to process design, system integration, construction method selection and even sustainability considerations. As a result, coordination of the engineering process requires intensive collaboration among various disciplines. Given the enormous uncertainty common in many large complex projects, intensive information exchange among the different engineering disciplines creates high project risks. For sequential engineering activities, if a task fails to meet its performance expectations, it will most likely have an impact on the performance of the next tasks. Furthermore, engineering errors for a task may produce a significant amount of reworking for others. Thus, to effectively allocate project contingencies and accurately predict project schedule and cost,project managers should be aware of interdisciplinary information dependency .
Knowledge of information dependency among different engineering tasks serves an important purpose for sequence optimization or interface management. In previous studies, organizations optimize work processes (including overlapping tasks, activity sequence reordering, etc.) to effectively compress project schedule. For example, Data Structure Matrix (DSM) is perhaps the most well-know method to optimize engineering networks and deliver products with high quality and low cost, however, quantified and precise associations in an engineering network are required to make the model reliable. As a result, from a technical perspective, the application of DSM has been considered premature in the construction industry because of its lack of measures for information dependency based on empirical data.
Many studies have attempted to define and quantify information dependency among engineering tasks.For instance, Pekericli identified characteristics for information dependencies: task sensitivity, timing of created information, parties involved,frequency of communication, type and format of information, and method and bandwidth of information delivery. Based on these characteristics, the study proposed a number of factors to model information dependencies. Nonetheless, the study falls short by not using real data for validation. Zhang developed an approach to measure the dependency strength of coupling tasks during new product development.In this study, the author mathematically defined influence parameters on task output, parameter change, feedback change and expected task change. Additionally, the author developed an equation representing dependencies with predefined influence parameters. In order to simulate the impact of communication on project performance, Ortiz set probability for information exchange from the SimVision User Guide considering the experience of the general contractors, project scope and size.With this foundation, the authors developed an approach to facilitate project managers that are designing project networks; however, the probability value was selected according to a guide rather than based on empirical data and therefore the results may not be conclusive.Bashir developed a metric to quantify the level of project complexity which involves many interdependent tasks. However, the metric did not perform satisfactorily and ultimately, the authors recognized that their experiment should be performed based on more diverse and actual project data.
In summary, most of the studies characterized task dependencies in terms of communication frequency as well as the amount of shared information. Engineering tasks which share a significant amount of information indicate that they are highly dependent and intensive collaboration is required; thus, the performance of an anterior task may affect the performance of its successors. For instance, a common engineering parameter of an oil refining plant is the nozzle specification demonstrated on piping layout and equipment configurations. Different types of equipment may have various nozzle specifications for which piping layout will be designed accordingly. Although these dependency characteristics have been explored in the building industry, limited research has addressed engineering information dependencies for the heavy industrial projects. According to Liao, heavy industrial projects include oil refining plants, chemical manufacturing facilities, and power generation plants while building projects include office building, Laboratory,etc. In addition, engineering processes for heavy industrial projects are different from those of building projects and so while valuable, the lessons learned from the building industry for information modeling are limited in application within the industrial sector.
The objective of this research is to establish that engineering discipline information is interdependent and that productivity correlations among the disciplines can be used to establish these dependencies.Thus, the hypothesis is that relationships between the predecessor and successor engineering disciplines can be modeled through correlation analysis of engineering productivity performance for the disciplines.
A rigorous literature review was conducted to capture knowledge related to information exchanges and a summary of their patterns was made. The authors then collected productivity data through the CII ongoing program, Engineering Productivity Metric System (EPMS). By performing regression analyses on productivity data, patterns of information flow among engineering disciplines were discovered. Dependencies of information flow were modeled with linear regression;a
剩余内容已隐藏，支付完成后下载完整资料
附录A 译文
建筑工程对于测量信息的依赖性
信息的有效转换对于如：化工生产、电的产生、天然气的分布或者石油冶炼等重工业项目成功很关键，项目工程的复杂程度已经随着技术的发展而快速增加。这种复杂程度归因于工程设计、系统集成、施工方法选择甚至要考虑可持续性。因此，工程过程中需要不同部门的密集合作，鉴于许多大型复杂项目中常见的巨大的不确定性，不同工程部门的信息转换会产生较大危险性。对于一项连续的工程，如果未能满足绩效期望，很有可能对下一个任务有影响。而且，工程任务的一个失败会让大多数人重新返工，因此，为了能有效分配工程款而且精确计划工程计划和成本，项目经理应该意识到不同部门的信息交换。
不同工程任务之间的信息依赖学问表现出一个序列优化或接口管理的重要性，在目前的研究中，组织优化工作流程（包括重叠任务，活动顺序重排等）可以有效缩短工程计划。例如，数据结构矩阵（DSM）也许是最有名的高质低成本的方法来优化工程网络和交付物品。然而，工程中精确量化的任务可以使模型更加可靠。因此，从技术角度来看，DSM模型的应用在建筑工业中的应用还是个早产儿，因为还缺乏对基于实验数据的信息依赖的计算。
许多研究企图定性和定量工程任务中的数据依赖性，例如，Pekericli提出信息依赖的特征：任务敏感性，创建信息的时间、当事人、沟通的频率、信息的类型和形式、信息传递的方法和频带。基于这些特征，本研究提出一系列因素修正信息依赖模型。尽管如此，没有真实数据来验证致使研究不足。Zhang提出一个方法计算开发一个新的产品开发期间耦合任务的依赖强度。在本研究中，作者数字定义任务输出的影响因子、参数变化、反馈变化和期望的任务变化。另外，作者提出一方程式和预定义的影响因子表示依赖性。为了模拟通信对于项目业绩的影响，Ortiz根据SimVision用户指南考虑了总承包商的经历、工程的范围和规模制定了信息交换的可能性。以这个为基础，作者提出一个协助项目经理制定项目结构网络的方法，然而，可能性的值是从指南里面选择的而不是基于经验性的数据，因此结果无法被总结。Bashir提出一个评判工程项目复杂程度等级的标准，涉及到了许多相互依赖的项目。然而这个标准最终并未实施的令人满意，作者意识到他们的实验应该基于更多多种多样的而且真实的工程数据。
概括来说，大部分的任务依赖性研究特征依据通信频率以及共享信息的数量。工程任务享有大量信息表明他们是要求高度依赖、强化协作的;因此,前期的任务的结果可能会影响下一个任务。例如，一个石油冶炼工程计划的一个常见工程参数是喷嘴的规格关系到了管道的布置和设备配置。不同类型的设备也许有不同的喷嘴规格，管道布置要根据此来设计。尽管这些依赖性特征已经在建筑行业被研究，对于重工业工程，这种工程信息依赖性研究受到限制。根据Liao , 重工业工程包括石油冶炼计划，化工制造设备，以及能源替代计划，而建筑工程项目包括写字楼，实验室等。另外，重工业项目工程过程不同于建设项目,因此而有价值,建筑行业对信息建模的经验应用在工业领域中是有限的。
本研究的目的就是建立相互独立的工程部门信息，而且根据各部门的生产能力建立这些依赖性。因此，假设就是工程部门前任和继任者之间的关系可以通过工程部门的生产力能力相关分析建模。
一篇严谨的文献综述要进行相关信息交流知识的获取和模式的总结，作者通过CII正在进行的项目收集生产力的数据，工程生产力制度系统（EPMS）。通过生产力数据回归分析，可以发现工程部门之间信息交流模式。信息的独立交流用线性回归修正，然后，在CII研讨会或者培训会上进行了调查，分析比较回归模型的结果以及调查验证。最后，总结结论并解决下一步的研究。
2002年，与许多行业专家协力输入，CII开始一个标准化的发展标准化工程的建筑业协会（CII）开始发展生产力度量系统（EPMS）测试工程生产力。EPMS定义工程生产力为工程直接工作时间与工程量的比值，工程直接工作时间指的是活动的工作时间与交付能力、现场调查、开会次数，计划、施工能力、工程返工以及信息询问（RFI）等有关。根据CII，间接工作时间包括文件监管和质量管理，通过生产力来排除。
EPMS包括6个主要部门一系列指标，通常在关键点上解释了工程量和产业结构。这6个部门包括：混凝土、钢铁、电、管道、仪器仪表、设备。如上所述,所有的指标都是定义为每次发布的工程施工工作时间,这些工程量是以各单位来计算的。例如，管道是以线性英尺计算，设备是以件数计算。EPMS采用了层次指标结构，各单位有自己的指标：等级Ⅱ（单位），等级Ⅲ（分科），等级Ⅳ（组成）。等级Ⅰ是项目的验收，本文并未提及。EPMS层次结构的主要优势是工程量数据可以按照不同等级灵活地收集，而且聚焦各单位的级别。
本研究中的数据说明了两方面，首先，只有等级Ⅱ在本研究中可以用到，因为这个数据是可以获得的。在指标层次结构中，级别越低，数据的精确度越高。然而，最低级别的样本是受到限制的。为了解决回归分析最低样本量的限制, 必须优化数据精度。其次，尽管EPMS将混凝土和钢筋分离，但大多数CII公司将制备混凝土和混凝土结构的时间作为一个整体计算。因此，本文规范了混凝土钢筋工程并结合成一个单独的整体单位。
几个主要的工程公司提交了他们的数据和使用这些指标针对EPMS数据库基准测试他们的生产力，自从2002年起收集了6年的数据，已经收集到了不同工程承包商应用EPMS的工程生产力典型数据。这些数据提供了一个非常重要的机会，通过各单位生产力关系的来检验工程信息依赖性。
数据准备是必不可少的基础有效的数据分析。在这项研究中，工程生产率数据首先被存储在一个安全微软的SQL Server2005数据库。接下来，为了便于查询工程生产率数据表输出和保存为Microsoft Access的文件。经过进一步的准备，表被输出到Microsoft Excel中因为它的高兼容性有统计软件包。 SPSS被用于执行数据分析。鉴于相对于其他的研究领域样本量相对较小，在这项研究中，p为0.1的值明显是可以接受的，平衡鉴别失误几率与错过机会的相关性。
从2002年到2008年，共有112重工业项目工程生产率数据提交给数据库EPMS，所有项目的总安装成本是45亿美元。表1给出的分布这些项目按申请人类型，项目类型（有过程或者没有过程的），项目性质（额外，基层，或现代化），和项目的规模。
承包商提交的大多数据共有92个项目，而业主只有20个。基于在PM组的观察，数据通过悬殊答辩主要是因为承包商更好地人员跟踪工程生产力并且更容易获得的数据。所有项目提交的重工业项目进一步分为两大类：有过程和非过程。有工程的项目包括，如化工制造业、炼油、纸浆和造纸天然气加工项目。没有过程的项目包括电源和环境整治项目。这种分类是基于Watermeyer的开发，明确没有过程的项目不能经济地存储产品。收集包括总共77有过程项目的生产率数据和其余35个工程的项目。分析一个项目性质显示，有37是添加的，53个是现代化，和22个是基层。根据CII约定，以一个项目预算超过5亿美元进行分类作为一个大型项目。因此，68个项目分别为归类为大型项目（超过500万美元），其余44个被归类作为小的项目（低于500万美元）。各部门直接工程工作小时的分配纪律制作图于图1。
表1. EPMS数据库
图1. EPMS中工时分布。
管道单位占了大部分工作时间为45％，百分比总时间比其他单位高很多。这种分布可能不是最典型的项目，但是合理的 ，因为这些是工业建设项目。
根据Watermeyer，重工业项目、设备或者工程化或选定由供应商提供的产品目录。一旦设备信息，如已安装的位置或配置可用，厂房布局图开发。在这一点上，土木工程，仪表（控制）工程，管道工程和电气工程是涉及装备支持，过程和布局工程。如图 2，工程设备流程信息一般是上游和一个长周期的项目，随后是管道、土木、仪器和电气。然而，下游部门之间的信息交流是敏感的。换句话说，视他们的信息交流难以概括各部门之间的顺序。
从设备到其他单位提供了信息交流模式，嵌入信息依赖后通过回归分析各部门的关系发现了生产力关系不是简单的相关性。进行了三个主要过程：1）与生产力指标组（PM组）、专门的CII BM＆M委员会密切合作，选择项目特点为控制变量纳入回归分析，提高模型之间的对比的可信度; 2）工程生产力指标也转化为汇总前回归分析; 3）回归模型建立在设备（上游）部门和其他下游部门之间。下游部门之间的关系不包括在这项研究中，因为他们的信息流理论的证据不足。
作者与PM组合作选择控制变量进行回归分析。项目类型和项目规模被选中的关键是因为他们工程的复杂性，显著影响了生产力。也就是说，研究下游部门之间发展部门和上游设备（即设备部门）4个部门的项目类型和项目规模四个回归模型。列为一般等式：（1）（ EPi表示第i个下游部门的工程生产力）：
图2. 各种工程部门之间信息交换模式
工程生产力测量系统(EMPS)由各单位工程效率指标组成；例如使用管道生产力 (设计每小时线性英尺)，设备生产力(设计每小时设备块)和仪表生产力(设计小时标记设备)生产部门级别指标。然而，电气和土木部门需要综合这些指标。由于底层分布指标是偏态分布。由Liao等人研究的一个z分法，用于规范化数据与自然对数转换成标准正态分布然后集中来进行部门分级。分位数曲线（(Q-Q plot)）是用于检查下一个指标是否正常。通过这个过程，五个工程生产力指标(设备、管道、土木、仪表、电气)准备进一步分析。
在模型转换和规范化中，对项目类型和大小特征，进行生产率数据和回归分析。使用方差膨胀因子(VIF)分析多重共线性问题，以防止潜在的不稳定的回归系数。导致结果：所有VIF都不到2，小于经验法则结果4，表明所有的独立变量之间的模型没有过度的相关性。表2所示，设备—管道模型具有重大意义，说明，50%的的可变性管道可以解释为设备生产率生产力控制项目类型和大小；而其他50%的可能是由于模型中没有考虑到其他因素， 例如，图纸审查（R2=0.5，beta;=0.5，Plt;0.1）.
结果也表明，设备工程生产力会提高1标准偏差（(即可以节省2.72工程小时的设备），管道工程生产力会提高了0.5个标准差（即可以节省1.65工程小时线性英尺的管）。对许多项目来说，当设备在发展变化适应需求的项目时，管道工程组可能经历了重要数量修改的管路布置、结合点或材料工程。虽然项目类型和大小可能部分影响土木和电气工程生产力， 没有发现统计证据支持的影响下游部门的设备工程生产力。这些结果表明这些部门之间的关系是相对松弛的。
图3. 行业人员制作的信息评估工业的依赖关系
表2. 信息依赖性的回归模型
用调查收集来反馈行业的验证结果，使用从1(非常弱)到5(非常强劲)的Likert范围评估共享参数配对部门之间的信息依赖的沟通频率和特征。这项调查包括在2008年培训课程和研讨会上的工业从业人员，有60位受访者完成了调查。执行的主要功能的受访者、组织，包括50%工程师，40%工程设计、建造承包采购(EPC)以及10%其他。其他的受访者包括施工管理和供应商(或供应商)，所有的受访者在建筑工程有超过五年经验，因此在这项研究中表明反馈是可信的。
图3为人员制作的通过调查许多部门对信息依赖的平均值。结果表明，设备管道意味着以最高4.15的得分，电气设备和土木设备依赖评分分别为级较低的3.71，3.65，和3.81。然后进行方差(ANOVA)测试分析比较不同群体，如下表3所示，发现一个重要的差异：F=4.75， df=3，plt;0.1。不同层次在小组中的含义在表 4中所示，采用Tukey方法进行事后分析比较测试。表5中成对比较，证明平均响应设备—管道明显高于一切其他响应；表明专家们考虑建立一个更大数量的参数之间共享设备和管道规程，建立更密集的沟通/协作这种关系而不是其它成对所必需的的关系。通过生产力分析和调查的结果比较，有趣的是。生产力的关系表明信息管道工程显著依赖它的设备；然而，没有统计证据发现设备和土木、仪器和电气部门的之间关系。调查数据表明， 管道和设备部门之间信息依赖性在统计上比其他的高。因为生产力数据和调查数据是一致的，生产力可以是测量信息的一个合法依赖的代表。
表3. 方差分析测试手段
表4. 测试样本的同质性的变化
表5. Tukey方法事后比较
回归模型和调查结果展示a，显示设备部门发布的信息明显影响管道工程。例如，a在设备工程上发生改变，如布局或管道参数如层数或者材料选择都可能会发生明显的改变。在分配有限的工程界面管理资源下，一个谨慎的项目经理应该优先考虑设备管道。实践，例如早期冻结设备的信息和设备信息精确的转换是避免不必要的巨大风险的工业项目的前提。然而，下游设备和其他部门(土木、电气、仪表) 之间的生产力关系是不显著的。这并不意味着他们之间的信息关系是无关紧要的。设备信息可能还影响这些其他科目； 然而，当设备发生变化其他单位工程不像管道部门一样“敏感”。尽管如此，当获得有效的数据时，下游不同部门之间生产力的关系应进一步详细探索。
信息的依赖在工程任务排序方法或优先级接口管理中作用很关键。在这项研究中， 作者进行了数据分析生产力的关系并且和调查结果是一致的。这些结果支持一个论点：至少在设备和管道之间，生产力的关系与合理的测量信息是相互依赖的。项目经理可以通过验证管理界面，分配
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[504814]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
